AWS ha publicado un método para que los equipos de producto usen agentes de IA en AWS Quick desde la idea hasta un prototipo validado. Parte de un problema que conoce cualquier empresa: la IA escribe código cada vez más rápido, pero eso no sirve de nada si se construye el producto equivocado. AWS sostiene que la ventaja competitiva se desplaza hacia las decisiones previas al código.
Las señales para decidir están repartidas por todas partes. Los clientes dejan opiniones en Slack, el equipo comercial anota ideas en Salesforce, las incidencias quedan en ServiceNow, los requisitos están en SharePoint, las tareas en Jira y las decisiones en reuniones de Outlook y correos. Cada cambio de herramienta separa la información de la decisión que debería informar.
Un punto de conexión para el conocimiento
AWS Quick actúa como capa que une todas esas fuentes. Enlaza personas, proyectos y decisiones de las aplicaciones y carpetas conectadas. Los agentes personalizados trabajan con esos datos y guardan sus resultados en espacios compartidos, para que cada iniciativa arranque con lo que la organización ya sabe.
El marco se llama AI-PDLC, un ciclo de vida del desarrollo de producto con IA, y reparte el trabajo entre seis agentes especializados. Un agente coordinador, el Orquestador, es el único con el que habla el usuario: lee el cuestionario de cada especialista, hace preguntas concretas para la fase actual y encarga la redacción de documentos al agente adecuado. Todo acaba en un archivo común llamado prototype_spec.md, con criterios de aceptación, perfiles de usuario, pantallas y modelo de datos.
Cada paso exige aprobación humana. El equipo valida los problemas detectados, aprueba las prioridades, firma la especificación y da el visto bueno a la revisión. Los datos de producción vuelven después a la fase de descubrimiento, cerrando el ciclo.
Cuatro fases antes de programar
El método abarca ocho fases: descubrir, decidir, diseñar, prototipar, desarrollar, lanzar, operar y aprender. El artículo se centra en las cuatro primeras, donde trabaja el equipo de producto. Las últimas cuatro corren a cargo de agentes de programación, como Kiro, que construyen a partir de las especificaciones generadas antes.
En la fase de descubrimiento, el agente Discovery analiza los problemas de los clientes mediante preguntas, la lectura de enlaces y consultas directas a fuentes como Slack, Jira, tickets de soporte o Salesforce. Puntúa cada problema por gravedad y frecuencia y genera un tablero de problemas.
En la fase de decisión, el agente Prioritize puntúa cada caso de uso con dos sistemas de 0 a 10. Uno está pensado para casos con agentes de IA y mide la capacidad del modelo de lenguaje, la disponibilidad de herramientas y la aceptación de los usuarios. El otro sirve para aplicaciones tradicionales y valora viabilidad, impacto de negocio y esfuerzo.
Escribir el informe antes de construir
Con el caso elegido entra en juego el agente Working Backwards, que redacta un PR/FAQ con el método de Amazon: un comunicado ficticio de lanzamiento y preguntas frecuentes para clientes y para la empresa. Las preguntas internas cubren economía unitaria, posibles fallos, riesgo regulatorio y competencia. Si la idea no aguanta ese examen, el equipo lo descubre sobre el papel y no con ingenieros ya trabajando en ella.
En la fase de diseño, el agente Spec Generator convierte el caso validado en una especificación lista para construir. Hay plantillas distintas para casos con agentes y para aplicaciones. Cada requisito queda vinculado al problema de origen, a su puntuación y al PR/FAQ que lo respaldó.
Según AWS, esos criterios de aceptación son el contrato que sigue el agente de programación y la rúbrica con la que el agente revisor audita el resultado. La compañía asegura que tareas que antes ocupaban varios sprints pueden resolverse en una sesión, con pocas reuniones aclaratorias posteriores.
De la idea al prototipo clicable
El agente Designer genera mapas de recorrido, maquetas y prototipos HTML navegables dentro de AWS Quick. Trabaja con el documento de diseño, los perfiles de Discovery, el flujo del PR/FAQ y la emoción que se quiere provocar, extraída de la cita de un cliente. Así el equipo puede probar conceptos con las partes interesadas antes de pasar a Figma u otras herramientas de diseño.
AWS afirma que el proceso puede reducir a días, o incluso horas, un trabajo que hoy suele llevar semanas de prototipado, según la complejidad del problema. Insiste en que nada avanza sin firma explícita.
Las decisiones se registran en dos niveles. Cada especialista guarda sus decisiones, puntuaciones y razonamientos dentro del documento que produce, y el Orquestador comprueba que existan y mantiene un registro compartido de todo el proceso. Si una capa falla, la otra conserva el historial completo.
Dos ritmos de trabajo
El método admite dos modos. Deep Discovery plantea entre 8 y 12 preguntas por fase, pensado para problemas nuevos que merecen una exploración a fondo. Fast Track reduce cada fase a entre 3 y 5 preguntas esenciales y propone respuestas por defecto que el equipo puede confirmar o cambiar, pensado para sesiones con plazos ajustados.
Para ponerlo en marcha, AWS indica que hay que clonar el repositorio de GitHub de AI-PDLC, con las instrucciones de los agentes y una guía de configuración. Después hay que crear los agentes especialistas en AWS Quick, lo que requiere un espacio de trabajo con el cliente de escritorio instalado y conectores empresariales configurados para Slack, Jira, SharePoint u otras herramientas del equipo.
La propuesta encaja con una tendencia clara: cuando programar se abarata, el cuello de botella pasa a ser decidir qué construir. Queda por ver si estos flujos de agentes con aprobación humana reducen de verdad los errores de producto o solo aceleran la documentación.




